本发明专利技术涉及基于正交基函数及卷积神经网络策略的动载荷识别方法。首先采用频域定阶法对正交基函数展开的阶数进行确定，通过分析正交基函数的频域特性来确定振动信号的正交多项式展开阶次；随后在卷积神经网络的动载荷识别模型中添加正交基函数展开层，将用于训练的动载荷按照确定的阶次展开为各阶正交多项式与对应的多项式系数；而后建立振动响应信息与正交多项式系数之间的卷积神经网络模型，系数作为神经网络模型的输出数据，正交多项式矩阵与动响应数据按元素乘，构成神经网络模型的输入数据；将若干组训练用的动载荷‑动响应数据进行上述处理，构建出大量的训练集，通过训练对卷积神经网络模型进行动力学标定，使模型具备识别正交多项式系数的能力；最后利用新的输入数据识别出目标正交多项式系数，将系数与确定好阶次的正交基函数进行拟合，计算出待识别动载荷。
1、目前，深度学习方法在动载荷识别中的应用研究尚停留在对方法的适用性研究上。随着近几年的发展，基本形成了以基于多层感知机、长短时记忆神经网络、卷积神经网络、径向基神经网络等模型为代表的动载荷识别方法，这些模型在典型动载荷的识别问题上都得到了良好的应用。然后从识别效果来看，研究尚较初级，针对的动载荷形式较为简单，针对相对复杂的识别问题很少涉足，对于工程中形式更加复杂的动载荷识别问题来说，研究还十分有限。动载荷识别问题一直是困扰结构动力学发展的关键问题，数学反问题的不适定性、识别结果容易受到噪声干扰、传递函数容易将干扰放大等限制都会对最终的识别结果产生极大影响。针对这些问题，近几年学者们联合发展快速的深度学习方法，直接建立起振动响应与动载荷之间的映射关系模型，从而避开结构动特性的影响，从一定程度上改善了上述提及的问题。但是引入深度学习方法又会为动载荷识别带来新的问题，如神经网络模型数据集的构造、计算采用的数据成本过大、依赖强拟合能力的神经网络模型等。这其中数据成本，数据集的问题是由神经网络模型本身的特点决定的，而与模型拟合能力相关的问题则是因为该领域发展的时间有限，研究还不够深入。因此，基于深度学习的动载荷识别方法仍需要进一步的研究。
2、从已有文献看，目前基于深度学习的动载荷识别方法还比较初级，主要用于较为理想的动载荷识别问题，而对于更加接近工程应用的多频叠加动载荷与平稳随机动载荷识别问题，还未见涉及。
>技术实现思路1、本专利技术的目的：针对现有技术的不足，提出基于正交基函数及卷积神经网络策略的动载荷识别方法，本专利技术针对以伯努利欧拉梁结构为代表的线性结构，假设系统外激励的位置已知。
2、本专利技术的技术方案：为了实现上述目的，提出基于正交基函数及卷积神经网络策略的动载荷识别方法，首先，获取用于动载荷识别的振动数据，准备进行正交基函数展开，利用频域定阶法确定正交基函数展开的阶次；随后，布置正交基函数展开层，将若干组训练用的动载荷数据，根据上一步确定的阶次进行展开，得到对应的正交基函数矩阵与正交基函数系数；而后，将训练用动载荷对应的动响应与正交基函数矩阵按元素乘，每一组的数据按照时间方向拼接，得到卷积神经网络模型的输入数据，同样得到的多项式系数拼接，构建出神经网络的输出数据；最后，通过训练对卷积神经网络进行动力学标定，使得模型具备识别正交多项式系数的能力，输入新的数据，识别出系数，将系数与正交基函数拟合，反算出待识别动载荷。
3、具体包括如下步骤：
4、基于正交基函数及卷积神经网络策略的动载荷识别方法，包括如下步骤：
5、步骤1：获取用于动载荷识别的振动信号，利用频域定阶法确定正交基函数展开的阶次；
6、步骤2：将若干组训练用的动载荷数据，根据步骤1中确定的阶次进行正交基函数展开，构建数据集，并利用卷积神经网络进行正向传播及训练；
7、步骤3：通过训练好的卷积神经网络识别正交基函数系数，并拟合出待识别动载荷。
8、在一个可能的实施例中，在所述步骤1中，对于任意用于动载荷识别的振动信号，都可以采用一组相互正交的基函数进行拟合，而这个拟合过程会产生一组正交基函数系数，这个拟合过程表达为
9、
10、其中，代表任意的振动信号，αi是拟合过程产生的正交基函数系数，nr为截取阶次为归一化后的广义勒让德正交基函数，满足ln(t)为未进行归一化的广义勒让德正交基函数，表达为
11、
12、上式表示在时间区间[0,s]内，第n阶勒让德正交基函数的具体关系式，以及递推关系。
13、在一个可能的实施例中，在所述步骤1中，确定正交基函数展开的阶次的具体过程包括：首先判断振动信号的最高频率，随后按照正交基函数阶次次序寻找到主频首次大于振动信号的最高频率的正交基函数，该基函数的次序即为截取阶次。
14、在一个可能的实施例中，将该截取阶次再提升20％，以获取更优的拟合精度。
15、在一个可能的实施例中，在所述步骤2中，具体包括如下步骤：
16、步骤201：将预设动载荷正交基函数展开，并构造数据集；
17、步骤202：构建卷积神经网络，进行利用步骤201构造的数据集正向传播，并通过训练进行动标定。
18、在一个可能的实施例中，在所述步骤201中具体包括如下过程：
19、根据所述步骤1确定的截取阶次nr，将动载荷展开为一组样本量为nr的正交多项式系数以及对应的正交基函数组成的矩阵矩阵中的每一列样本量为ts，该矩阵的大小为ts×nr，而动响应u(x,t)的样本量也为ts；为了使神经网络模型的输入与输出进行对应，将动响应按元素乘入正交基函数矩阵中，构建输入数据集如下
20、
21、式中，xlegen表示响应与正交基函数组装的输入数据集，算子。表示按元素乘。
22、在一个可能的实施例中，在所述步骤202中具体包括如下过程：
23、将构建好的输入数据集代入卷积神经网络的卷积层，得到动响应特征在模型中的传播过程，如下
24、
25、上式中，运算符*代表卷积，f(·)代表激活函数，kcγ为空洞卷积核，bcγ为卷积层的偏置，mγ代表卷积核的感受野，i表示感受野中参与卷积运算的数据序数。随后数据传入池化层，则通过一个池化层，再通过全连接层的输出为
26、xpγ＝f(βpγ×down(xlegen)+bpγ)
27、其中，down表示下采样函数，即对原信号进行隔点采样，减小数据规模；表示通过池化层后的全连接层权重，表示通过池化层后的全连接层偏置；
28、随后进行卷积神经网络的训练，通过训练进行模型的动力学标定，使得模型具备识别正交基函数系数的能力，标定好的卷积神经网络表示为γcnn。
29、在一个可能的实施例中，在所述步骤3中，具体包括如下步骤：
30、步骤301：通过训练好的模型识别正交基函数系数
31、将实测动响应与正交基函数矩阵组装的输入数据传入标定好的模型γcnn中，假设正交基函数矩阵为l，则得到识别出的正交多项式系数ψiden为
32、
33、步骤302：将识别出的正交基函数系数与正交基函数矩阵进行拟合，反算出待识别动载荷
34、正交基函数系数识别出来后，将系数与正交基函数矩阵进行拟合，反算出待识别动载荷，计算过程如下
35、f(x,t)＝legendrer(ψiden,l)
36、上两式即为正交基函数及深度学习策略的动载荷识别模型；其中，legendrer为动载荷的正交基函数拟合算子，满足本专利技术的有益效果：
37、本专利技术采用以上技术方案与现有技术对比，具有以下技术效果：
38、本专利技术从振动数据特征提取的角度出发，结合正交本文档来自技高网...
【技术保护点】
1.基于正交基函数及卷积神经网络策略的动载荷识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于正交基函数及卷积神经网络策略的动载荷识别方法，其特征在于，在所述步骤1中，对于任意用于动载荷识别的振动信号，都可以采用一组相互正交的基函数进行拟合，而这个拟合过程会产生一组正交基函数系数，这个拟合过程表达为
3.根据权利要求2所述的基于正交基函数及卷积神经网络策略的动载荷识别方法，其特征在于，在所述步骤1中，确定正交基函数展开的阶次的具体过程包括：首先判断振动信号的最高频率，随后按照正交基函数阶次次序寻找到主频首次大于振动信号的最高频率的正交基函数，该基函数的次序即为截取阶次。
4.根据权利要求3所述的基于正交基函数及卷积神经网络策略的动载荷识别方法，其特征在于，将该截取阶次再提升20％，以获取更优的拟合精度。
5.根据权利要求3或4任意一项所述的基于正交基函数及卷积神经网络策略的动载荷识别方法，其特征在于，在所述步骤2中，具体包括如下步骤：
6.根据权利要求5所述的基于正交基函数及卷积神经网络策略的动载荷识别方法，其特征在于，在所述步骤201中具体包括如下过程：
7.根据权利要求6所述的基于正交基函数及卷积神经网络策略的动载荷识别方法，其特征在于，在所述步骤202中具体包括如下过程：
8.根据权利要求7所述的基于正交基函数及卷积神经网络策略的动载荷识别方法，其特征在于，在所述步骤3中，具体包括如下步骤：
...
【技术特征摘要】
1.基于正交基函数及卷积神经网络策略的动载荷识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于正交基函数及卷积神经网络策略的动载荷识别方法，其特征在于，在所述步骤1中，对于任意用于动载荷识别的振动信号，都可以采用一组相互正交的基函数进行拟合，而这个拟合过程会产生一组正交基函数系数，这个拟合过程表达为
3.根据权利要求2所述的基于正交基函数及卷积神经网络策略的动载荷识别方法，其特征在于，在所述步骤1中，确定正交基函数展开的阶次的具体过程包括：首先判断振动信号的最高频率，随后按照正交基函数阶次次序寻找到主频首次大于振动信号的最高频率的正交基函数，该基函数的次序即为截取阶次。
4.根据权利要求3所述的基于...
【专利技术属性】
技术研发人员：杨泓基，张昊冉，王卉，
申请(专利权)人：中国航空工业集团公司金城南京机电液压工程研究中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。